视频智能分析在油气田中的应用

苏啸吟

（中石化中原石油工程设计有限公司 河南 郑州 450018）

引言

随着视频监控技术的发展，视频监控系统由模拟系统逐步发展为数字系统，相关技术、设备逐渐成熟，造价大幅下降，系统建设规模不断扩大，现已广泛应用于城市、智能交通、金融、能源行业等领域[1]。

1 油气田视频监控系统简介

1.1 油气田视频监控系统的基本构架

油气田视频监控系统全面覆盖井、站库、管线等重要油气生产设施，形成井，站，管理区的三级架构。

在井场及小型站场，设高清摄像机，配套广播等，视频信号在上级统一存储。在大型站场，对大门、周界、罐区及泵房等重点设备和关键部位进行监控，配套存储、控制设备，在本地对视频信号进行存储、管理。在管理区控制室，设视频服务器、存储设备、拼接屏、工作站等，对整个管理区内所有视频进行管理、存储，并拥有整个视频监控系统中最高管理权限[2]。

系统传输网络采用有线与无线相结合的方式组建。各站场采用有线方式，利用光缆线路上传视频数据至管理区、厂统一管理；各井场、重要路口采用无线方式，利用运营商4G、无线网桥等上传视频数据。

1.2 油气田视频监控系统主要功能

视频监控系统从结构上分为三级，每级相应的功能不同。

在井场及小型站场，对主要设备、出入口进行昼夜监控，清晰采集现场视、音频数据，识别相应报警信息，并上传相关数据至管理区。

在大型站场，对站内重点设备进行监控，设置本地监控室，能够控制、管理前端摄像机并存储图像。

在管理区对下辖所有相关视频信号进行管理。可对任一路摄像机进行控制，回放任一摄像机历史画面；同屏显示多路画面，轮巡管理所有摄像机；对系统本身进行自诊断，并能够自恢复。

1.3 视频监控系统运维中存在的问题

随着视频监控系统全面覆盖井、站库等油气生产设施，导致视频数据过多。前端摄像机数量众多，画面多，而系统的智能化程度较低，现有监控方式缺陷明显：

1.3.1 无效报警率较高

因系统本身的智能分析技术水平限制，无效告警率较高。实际运行时，很多地区将报警功能关闭。无效报警次数远超过真实报警，据统计，每台摄像机每天告警次数平均超过1000次。其中多数由蚊虫聚集、树叶、小型动物如兔、狗、猫等引起，这些报警均实际使用中无需重点关注的无效报警。

1.3.2 对目标特征无法精确识别

随着大型站场对视频监控系统与各种安防、自控系统联动的要求的逐步提高，对视频监控系统智能化的需求也有所提高。因目标库覆盖不全面，且现有视频分析功能不具有深度学习功能，无法火焰、工衣工帽等目标。

1.3.3 对监控数据分析、查询困难

视频画面是全天24小时持续不断录制，数据量巨大。由于安防要求的提高，现在所有视频的存储时间都扩大至90天。现在视频数据分析和查询采用人工方式，在进行视频分析、查询时非常耗时，需要浏览大量的视频画面，且难以获得所有相关信息。

因此，为了提高现有视频监控系统的智能分析水平，实现主动防御、准确报警、黑屏管理，提高管理效率，降低劳动强度，完善技能分析技术，使其具有深度学习功能是必然的趋势。

2 视频监控系统的智能分析技术简介

智能分析是采用计算机视觉技术，对视频图像进行分析并提取场景中的关键信息，最终形成相应事件，来实现智能化[3]。

实现智能分析功能的常见方式有以下几种：

2.1 前端智能

将智能分析算法写入硬件中，并嵌入到前端摄像机内，用单台摄像机即可实现智能分析。

目前常见的前端智能主要应用于车辆抓拍、车牌识别、区域入侵及实时抓拍等，也是各油气田视频系统中主要的智能分析方式。

2.2 后端智能

将智能分析算法安装在后台服务器中。前端摄像机将视频传至后台设备，由服务器对图像进行分析和处理，即前端摄像机仅起录像作用。

后端服务器可以进行深度学习，即根据已出现的报警事件，将报警事件分类汇总，总结不同周期下、不同背景下的规律，更新相应的规则，不断自学习，完善并适应当前环境下，与实际情况最相适应的智能分析规则；利用GPU，应用更多基于图像处理发展的智能分析技术，对存储的数据进行分析和处理，能够具有指向性的查找相应画面。因此其智能分析的效果相对更好[4]。

2.3 对比分析

前端智能的优势在于，因为无需将信号传输至后台，仅需将报警信号传回，故对传输带宽要求很低。但建成后，在不更换前端的情况下，扩展新的功能也颇具难度。后端智能优势在于，可以使非智能前端具有智能分析功能，实现智能分析功能，充分利旧，节约成本。

故而，利旧各油气田已建摄像机，少量更换老旧摄像机，在后端增加分析服务器，即可整合所有视频信息，同时进行前端、后端分析，以提高视频智能分析功能的效率。

3 智能分析技术在油气田中的应用

3.1 油气田常用智能分析功能

常用的智能分析功能有入侵检测、停留检测、徘徊检测、自动跟踪，物体识别、火焰识别、工衣工帽识别等。

除了以上常规智能分析功能外，还需要深度学习功能。因油气田所需常用功能与城市常用功能不完全相同，故需利用深度学习功能，对数据库进行纠正、扩展，以完成与油气田生产周期、环境相适应的的智能分析规则。在后端管理平台部署具有深度学习功能的GPU服务器和智能分析软件，对每次报警结果由人工进行反馈，建立报警事件数据库，让分析系统自动学习并更新建模，不断细化、深化目标库[5]。

3.2 可深度学习的智能分析技术在油田的应用

随着视频监控系统的全面覆盖，每天报警达到5万次左右，无效报警次数约占总报警次数的99%。本文选用中石化渭北油田对管理平台重新部署的实验为例，列举实验报警相关数据，对增加深度学习功能前后的报警情况。

3.2.1 项目概况

项目地处陕西省铜川市黄陵县和宜君县之间的山中，地理位置偏僻，井场散落在不同山头、山腰、山谷中。共安装56套摄像机，通过光纤、4G、VPN方式传输至监控中心，监控中心已配置相应的视频服务器、VPN服务器、硬盘录像机等，并通过租用移动运营商专线上传至渭北油田基地。本次实验增设GPU服务器1套，智能分析软件包1套。

3.2.2 实验内容

（1）完成对人、车、工服工帽的识别。

（2）对告警事件进行人工判读，并给予系统反馈，测试深度学习能力。

（3）对告警记录进行统计、分析，对比验证告警的准确率。

3.2.3 实验原理

利用GPU服务器强大的图像处理能力，将非结构化的视频数据，转换成计算机易于识别和处理的结构化信息，将视频中包含的关键信息提取出来，转换成文字、数字描述，建立与视频帧的关联，实现计算机对视频的分析、对比、搜索功能。

利用智能分析软件的深度学习功能，对背景、监测区域自定义形状，并组合多个规则、多种算法同时处理。建立反馈机制，由人工对每次报警的结果进行判断，并反馈给软件，让分析系统自动学习并更新，以建立报警事件数据库。

3.2.4 实验结果

(1)能够实现对人、车、工服工帽的识别。以下为实验过程中识别目标时的视频图像。

(2)下表为7天的实验数据。

表1 实验相关数据统计表

3.2.5 结论

本次现场实验，在视频智能分析设备运行良好，光照良好，传输通道满足要求的情况下，智能识别准确率达到85%，在经过7天的学习后，智能识别准确率达到90%。剔除虚假告警达到99.6%以上，有效告警平均1.5次/每天每井。

4 结语

综上所述，提高油气田信息化的智能分析水平非常重要。通过增强管理平台的智能化，引入深度学习能力，在不断学习中，提高报警准确率，最大限度地减少误报和漏报现象的发生，降低管理人员工作强度，提升安全防范管理水平，有效地协助处理危机事件，真正实现黑屏管理。